AI kredittrisikomodellering: Effektivisering av kredittrisikooperasjoner

• Forfatter:
• forfatternavn

  Quantumrun Foresight
• Februar 27, 2023

Problemet med å modellere kredittrisiko har plaget bankene i flere tiår. Maskinlæring og kunstig intelligens (ML/AI)-systemer tilbyr nye metoder for å analysere de involverte dataene og gi mer dynamiske, mer nøyaktige modeller.

Kontekst for modellering av AI-kredittrisiko

Kredittrisiko refererer til risikoen for at en låntaker vil misligholde sine lånebetalinger, noe som resulterer i tap av kontantstrømmer for långiveren. For å vurdere og håndtere denne risikoen, må långivere estimere faktorer som sannsynligheten for mislighold (PD), eksponeringen ved mislighold (EAD) og tapsgitt mislighold (LGD). Basel II-retningslinjene, publisert i 2004 og implementert i 2008, gir forskrifter for styring av kredittrisiko i banknæringen. Under den første søylen i Basel II kan kredittrisiko beregnes ved å bruke en standardisert, en intern fond-rating-basert eller en avansert intern rating-basert tilnærming.

Bruken av dataanalyse og AI/ML har blitt stadig mer utbredt i kredittrisikomodellering. Tradisjonelle tilnærminger, som statistiske metoder og kredittscore, har blitt supplert med mer avanserte teknikker som bedre kan håndtere ikke-lineære sammenhenger og identifisere latente trekk i dataene. Forbrukslån, demografiske, økonomiske, sysselsettings- og atferdsdata kan alle innlemmes i modeller for å forbedre deres prediksjonsevne. I forretningsutlån, der det ikke er noen standard kredittscore, kan långivere bruke bedriftslønnsomhetsmålinger for å vurdere kredittverdigheten. Maskinlæringsmetoder kan også brukes for reduksjon av dimensjonalitet for å bygge mer nøyaktige modeller.

Forstyrrende påvirkning

Med implementeringen av AI-kredittrisikomodellering kan forbruker- og bedriftsutlån bruke mer nøyaktige og dynamiske utlånsmodeller. Disse modellene gir långivere en bedre vurdering av sine låntakere og åpner for et sunnere utlånsmarked. Denne strategien er gunstig for långivere til bedrifter, siden mindre foretak ikke har noen målestokk for å bedømme deres kredittverdighet på samme måte som standard kredittscore fungerer for forbrukere.

En potensiell anvendelse av AI i kredittrisikomodellering er å bruke naturlig språkbehandling (NLP) for å analysere ustrukturerte data, for eksempel selskapsrapporter og nyhetsartikler, for å trekke ut relevant informasjon og få en dypere forståelse av en låntakers økonomiske situasjon. En annen potensiell bruk er implementering av forklarbar AI (XAI), som kan gi innsikt i beslutningsprosessen til en modell og forbedre åpenhet og ansvarlighet. Bruk av kunstig intelligens i kredittrisikomodellering reiser imidlertid også etiske bekymringer, for eksempel potensiell skjevhet i dataene som brukes til å trene modeller og behovet for ansvarlig og forklarlig beslutningstaking.

Et eksempel på et selskap som utforsker bruken av kunstig intelligens i kredittrisiko er Spin Analytics. Oppstarten bruker AI for automatisk å skrive reguleringsrapporter for kredittrisikomodellering for finansinstitusjoner. Selskapets plattform, RiskRobot, hjelper banker med å samle, slå sammen og rense data før de behandles for å sikre samsvar med regelverk i forskjellige regioner, som USA og Europa. Den skriver også detaljerte rapporter for regulatorer for å sikre nøyaktighet. Å skrive disse rapportene tar vanligvis 6–9 måneder, men Spin Analytics hevder det kan redusere den tiden til mindre enn to uker. 

Anvendelser av AI-kredittrisikomodellering

Noen anvendelser av AI-kredittrisikomodellering kan omfatte:

• Banker som bruker kunstig intelligens i kredittrisikomodellering for å redusere tiden og innsatsen som kreves for å produsere detaljerte rapporter betydelig, slik at finansinstitusjoner kan lansere nye produkter raskere og til en lavere kostnad.
• AI-drevne systemer brukes til å analysere store mengder data raskere og mer nøyaktig enn mennesker, noe som potensielt kan føre til mer nøyaktige risikovurderinger.
• Flere mennesker og virksomheter som ikke er banket eller underbanket i utviklingsland får tilgang til finansielle tjenester ettersom disse nye kredittrisikomodelleringsverktøyene kan brukes for å se og bruke grunnleggende kredittscore på dette undertjente markedet.
• Menneskelige analytikere blir opplært til å bruke AI-baserte verktøy for å redusere risikoen for feil.
• Kunstig intelligens-systemer brukes til å oppdage mønstre av uredelig aktivitet, og hjelper finansinstitusjoner med å redusere risikoen for falske lån eller kredittsøknader.
• Maskinlæringsalgoritmer blir trent på historiske data for å gi spådommer om fremtidig risiko, slik at finansinstitusjoner proaktivt kan håndtere potensielle risikoeksponeringer.

Spørsmål å kommentere

• Hvilken beregning mener du bedrifter bør bruke for å måle kredittverdigheten sin?
• Hvordan ser du for deg at AI endrer rollen til menneskelige kredittrisikoanalytikere i fremtiden?